Dieser report wertet die Basisuntersuchung der Evaluation der Schulzeiten aus. Die untersuchung fand vom … Juli bis … Juli 2021 in Form eines Papierfragebogens statt.
Die Chonotypen leiten sich aus dem Eulen-Lerchen-Fragebogen ab. Die Fragen addieren sich zu einer ordinalen Scala auf, die Punktwerte von 13 bis 42 annehmen kann. Je kleiner der Zahlenwert ist, desto eher ist von einer Eule auszugehen. Lerchen habe demtentsprechend höhere Punktwerte auf der Skala.
Das folgende Diagramm zeigt Boxplots der untersucghten 4 Klassenstufen unterteilt nach Mädchen und Jungs. In der Auswertung wurden Kinder, die Kein Geschlecht angegeben haben, nicht berücksichtigt. Ebenso kinder die keiner KLasse zu geordnet werden konnten. Des Weiteren werden nur WErte zwischen 13 und 42 berücksichtigt, da dies der Skalenbereich ist, den die Chronotypskala annehmen kann. Diese Exklusion der Daten folgt der Logik, dass nur sinnvolle und nachvollziehbare Daten auszuwerten sind.
Damit verbleiben 483 von 515 (93.8%) Kinder in der Analyse.
Als nächstes sind verschiedene linearen Regressionsmodelle berechnet worden. dabei berechnen wir den Einfluß dder Klasse auf den Chronotyp.
Wir untersuchen folgende These:
Schüler der Klasse 8 haben gegen über Schülern der Klasse 7 einen signifikanten Unterschied im Chronotyp.
Dies ist die These die dem Beschluss der Schulkonfernezbsschluss zur Verschiebung der Schulzeiten für die 8. und 9. Klasse an der Schule am Palemngarten zu Grunde liegt.
Die folgende Tabelle zeigt die Modellschätzwerte des Chronotyps pro Klassenstufe mit dem 95% Konfidenzintervall an. Zusätzlich ist der P-Wert angegeben. Dieser ist wie folgt zu interpretieren: Ist dieser < 0.05 deutet dies auf einen überzufälligen (signifikanten) Unterschied bezüglich Klassenstufe 8 hin. Es zeigt sich, dass alle Klassenstufen einen anderen Chronotyp hat als Klassenstufe 8 haben. Da die Werte in Klassenstufe 8 geringer sind, sind Schüler:innen der KLassenstufe 8 eher Eulen als Schüler:innen der anderne Klassenstufen.
| Klasse | Estimate [95%-KI] | P-Value |
|---|---|---|
| Klasse 8 | 27.0 [26.0 to 28.1] | – |
| Klasse 5 | 30.2 [28.8 to 31.6] | 0.000 |
| Klasse 6 | 28.8 [27.5 to 30.1] | 0.007 |
| Klasse 7 | 29.2 [27.8 to 30.5] | 0.002 |
Es kann mit diesem statistischen Modell keine Aussage über den Unterschied zwischen anderen Klassenstufen getätigt werden.
| Klasse | Estimate [95%-KI] | P-Value |
|---|---|---|
| Klasse 7 | 29.2 [28.3 to 30.0] | – |
| Klasse 5 | 30.2 [29.0 to 31.4] | 0.106 |
| Klasse 6 | 28.8 [27.7 to 30.0] | 0.558 |
| Klasse 8 | 27.0 [25.7 to 28.4] | 0.002 |
##
## Call:
## glm(formula = chronotyp ~ alterf + geschlf + alterf:geschlf,
## data = dfBL2)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -14.5833 -3.4285 0.3409 3.4167 13.4167
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 33.00000 4.90240 6.731 0.0000000000497 ***
## alterf11 -3.16279 4.95908 -0.638 0.524
## alterf12 -4.41667 4.93633 -0.895 0.371
## alterf13 -4.47541 4.94242 -0.906 0.366
## alterf14 -5.26316 4.96649 -1.060 0.290
## alterf15 -9.22222 5.16759 -1.785 0.075 .
## alterf9999 -2.71429 5.24089 -0.518 0.605
## geschlfweiblich 2.66667 5.66081 0.471 0.638
## alterf11:geschlfweiblich -2.35842 5.74810 -0.410 0.682
## alterf12:geschlfweiblich -1.78247 5.71757 -0.312 0.755
## alterf13:geschlfweiblich -1.87978 5.72998 -0.328 0.743
## alterf14:geschlfweiblich -2.74442 5.76398 -0.476 0.634
## alterf15:geschlfweiblich -3.94444 6.38150 -0.618 0.537
## alterf9999:geschlfweiblich 0.04762 6.59464 0.007 0.994
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 24.03355)
##
## Null deviance: 12063 on 477 degrees of freedom
## Residual deviance: 11152 on 464 degrees of freedom
## (5 observations deleted due to missingness)
## AIC: 2892.1
##
## Number of Fisher Scoring iterations: 2##
## Call:
## glm(formula = chronotyp ~ alter14 + geschlf, data = dfBL2)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -14.9678 -3.6362 0.0322 3.3638 13.0322
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 28.9678 0.3513 82.452 < 0.0000000000000002 ***
## alter14 -1.8067 0.5494 -3.289 0.00108 **
## geschlfweiblich 0.6684 0.4552 1.468 0.14264
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 24.70314)
##
## Null deviance: 12063 on 477 degrees of freedom
## Residual deviance: 11734 on 475 degrees of freedom
## (5 observations deleted due to missingness)
## AIC: 2894.4
##
## Number of Fisher Scoring iterations: 2##
## Call:
## glm(formula = chronotyp ~ alter15 + geschlf, data = dfBL2)
##
## Deviance Residuals:
## Min 1Q Median 3Q Max
## -14.6941 -3.3240 0.3059 3.6760 13.3059
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 28.6941 0.3376 84.983 <0.0000000000000002 ***
## alter15 -2.1467 1.0747 -1.998 0.0463 *
## geschlfweiblich 0.6299 0.4603 1.368 0.1718
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 25.05515)
##
## Null deviance: 12063 on 477 degrees of freedom
## Residual deviance: 11901 on 475 degrees of freedom
## (5 observations deleted due to missingness)
## AIC: 2901.2
##
## Number of Fisher Scoring iterations: 2Add a new chunk by clicking the Insert Chunk button on the toolbar or by pressing Ctrl+Alt+I.
When you save the notebook, an HTML file containing the code and output will be saved alongside it (click the Preview button or press Ctrl+Shift+K to preview the HTML file).
The preview shows you a rendered HTML copy of the contents of the editor. Consequently, unlike Knit, Preview does not run any R code chunks. Instead, the output of the chunk when it was last run in the editor is displayed.